论文
LLM引导的知识图谱蒙特卡洛树搜索：为药物-疾病对组合机制解释
LLM-Guided Monte Carlo Tree Search over Knowledge Graphs: Composing Mechanistic Explanations for Drug-Disease Pairs
摘要
从知识图中提取多步骤解释提出了组合挑战，需要启发式指导（因为候选者随着深度的增加而激增）和贡献归因（因为路径质量在扩展序列上出现）。前沿LLM在知识/推理基准方面很强，提供了此类启发式的令人信服的来源，但他们的知识没有保证，并且随着链条的延长，组合性能会下降。因此，我们提出了 TESSERA，一个由 3 部分组成的神经符号框架，它在有限的角色中使用LLM：用于局部判别判断，而不是自主多步生成；然后，知识图定义了强制执行硬结构约束的假设空间，MCTS 通过反向传播将长期搜索与有原则的贡献归因相协调。LLM扮演着双重角色，既是先前的政策偏见探索者，又是提供奖励信号的比较状态评估者。对两个互补知识图谱的药物机制阐明的评估表明了对策划生物学的忠实度，同时呈现出连贯的替代机制，并通过消融确认了两个LLM组成部分的区别性贡献。除了当前的应用之外，我们的框架还提供了基于结构化知识的组合推理的通用范例。
